Entender como um robô reagirá em diferentes condições é essencial para garantir sua operação segura. Mas como você sabe o que pode quebrar um robô sem realmente danificá-lo? Um novo método desenvolvido por cientistas do Instituto de Ciência e Tecnologia da Áustria (IST Áustria) e do Instituto Max Planck para Sistemas Inteligentes (MPI para Sistemas Inteligentes) é o primeiro método de aprendizado de máquina que pode usar observações feitas em condições seguras para fazer previsões precisas para todas as condições possíveis regidas pela mesma dinâmica física. Especialmente projetado para situações da vida real, o método deles fornece simples, descrições interpretáveis ​​da física subjacente. Os pesquisadores apresentarão suas descobertas amanhã na prestigiosa Conferência Internacional de Aprendizado de Máquina (ICML) deste ano.

No passado, o aprendizado de máquina só era capaz de interpolar dados - fazendo previsões sobre situações que estão "entre" outras, situações conhecidas. Foi incapaz de extrapolar - fazer previsões sobre situações fora do conhecido - porque aprende a ajustar os dados conhecidos o mais próximo possível localmente, independentemente de como funciona fora dessas situações. Além disso, coletar dados suficientes para uma interpolação eficaz exige muito tempo e recursos, e requer dados de situações extremas ou perigosas. Mas agora, Georg Martius, ex-ISTFELLOW e IST Áustria pós-doutorado, e desde 2017 líder de grupo na MPI for Intelligent Systems em Tübingen, Subham S. Sahoo, um Ph.D. estudante também na MPI for Intelligent Systems, e Christoph Lampert, professor no IST Áustria, desenvolveu um novo método de aprendizado de máquina que aborda esses problemas, e é o primeiro método de aprendizado de máquina a extrapolar com precisão para situações invisíveis.

A principal característica do novo método é que ele se esforça para revelar a verdadeira dinâmica da situação:ele recebe dados e retorna as equações que descrevem a física subjacente. "Se você conhece essas equações, "diz Georg Martius, "então você pode dizer o que vai acontecer em todas as situações, mesmo que você não os tenha visto. "Em outras palavras, isso é o que permite que o método extrapole de forma confiável, tornando-o único entre os métodos de aprendizado de máquina.

O método da equipe também se diferencia de várias outras maneiras. Primeiro, as aproximações finais produzidas anteriormente durante o aprendizado de máquina eram muito complexas para um ser humano entender ou trabalhar. No novo método, as equações resultantes são muito mais simples:"As equações do nosso método são algo que você veria em um livro - simples e intuitivo, ", diz Christoph Lampert. O último é outra diferença importante:outros métodos de aprendizado de máquina não fornecem nenhuma visão sobre a relação entre condições e resultados - e, portanto, nenhuma intuição sobre se o modelo é mesmo plausível. "Em todas as outras áreas de pesquisa, esperamos modelos que façam sentido físico, que nos diga o porquê, "acrescenta Lampert." Isso é o que devemos esperar do aprendizado de máquina, e o que nosso método oferece. "Por fim, a fim de garantir a interpretabilidade e otimizar para situações físicas, a equipe baseou seu método de aprendizagem em um tipo diferente de estrutura. Este novo design é mais simples do que os métodos anteriores, o que na prática significa que menos dados são necessários para dar os mesmos resultados ou até melhores.

E nem tudo é teoria:"No meu grupo, na verdade, estamos trabalhando no desenvolvimento de um robô que use esse tipo de aprendizado. No futuro, o robô experimentaria diferentes movimentos, em seguida, ser capaz de usar o aprendizado de máquina para descobrir as equações que governam seu corpo e movimento, permitindo que evite ações ou situações perigosas, "acrescenta Martius. Embora os robôs sejam uma área ativa de pesquisa, o método pode ser usado com qualquer tipo de dados, de sistemas biológicos para energias de transição de raios-X, e também pode ser incorporado em redes maiores de aprendizado de máquina.